王 创

车牌定位检测及字符分割提取方法研究

王 创

（湖北商贸学院，湖北 武汉 430070）

为实现车牌字符的智能识别，首先需要对收集的车牌图片进行预处理和特征提取，从而得到可靠的车牌字符集图片。文章提出的车牌检测与字符分割提取方法主要包括图片去噪、灰度化处理、形态学处理、边缘检测与连接、车牌区域定位、灰度直方图字符分割等，最终实现对车牌的快速定位检测以及车牌字符的精准分割提取功能，为后续车牌字符的识别奠定良好前提条件。

车牌定位检测；边缘检测与连接；字符分割；特征提取

引言

伴随着机动车数量的日益攀升，如何对车辆进行行之有效的管理成为备受关注的研究课题，而对车辆的管理归根结底是对车牌号码的监督管控[1]。车牌号码是不同车辆身份的重要标志，对其进行精确快速地检测和识别，有助于节省人力资源和提升车辆的智能高效管理。本文基于Python开发平台，并结合OpenCV第三方图像处理工具包，实现了对车牌图片的去噪、灰度化处理、形态学处理、边缘检测与连接、车牌区域定位和灰度直方图字符分割等处理操作，最终实现在复杂背景下对车牌的定位提取和车牌字符的分割识别。

1 系统设计

本文实地拍摄采集了车辆行驶前进、光照条件欠佳、拍摄镜头抖动、停放车辆数量较多等不同复杂背景下的车辆图片若干张，首先运用高斯平滑处理，在一定程度上消除由于各种取景条件问题引起的图片噪声影响[2-5]。之后通过灰度处理将原始RGB图片转变为灰度图，在灰度空间下对车牌图片运用形态学处理增强车牌部分灰度特征，再运算Canny算法对其进行边缘检测，勾勒出车牌边缘线条，紧接着分别运用一次闭运算和开运算使得图像边缘形成整体区域，之后便可运用OpenCV工具快速提取出灰度图片中车牌的所有可能区域。然后根据车牌长宽比、车牌背景颜色等车牌特征条件对上述所有疑似车牌区域逐一进行排查，以实现车牌的准确检测和定位。最后再运用车牌水平和垂直两个方向的灰度直方图实现对车牌字符的准确分割与提取。

2 车牌图片预处理

车牌图片预处理是车牌检测定位的前提，通过预处理可以在一定程度上消除由于摄影拍摄质量、车辆行驶移动、光线明暗或降雨降雪等因素引起的图片清晰度下降的影响[6-9]。车牌预处理主要包括高斯平滑处理、数学形态学处理、边缘检测和连接等步骤。

2.1 高斯平滑去噪

图片噪声的存在会对后续二值化处理中的Otsu算法的阈值选择以及边缘检测中图像灰度梯度变化产生严重干扰，从而影响车牌边界检测的准确性。因此有必要事先对原车牌图片进行高斯平滑处理，用于消除图片中存在的高频白噪声。高斯平滑是根据模板中各像素点与中心像素点的距离来计算权值系数，且该系数服从式（1）所示的高斯分布：

当δ=0.95时对应的3×3高斯平滑模板权值矩阵为：

图1（b）中采用了如式（2）所示的高斯模板对原图片进行了平滑处理，处理之后的图片相比原图片虽然稍微模糊，但图片高频细节噪声得到了较好的抑制，一定程度上消除了噪声对图像边缘灰度变化的影响。

2.2 灰度化处理、形态学处理

为了更好地考察图像边缘的形态特征，同时提高图像处理效率，可将高斯平滑处理后的图片通过灰度化处理从RGB颜色空间转换至灰度空间[10-13]，如图1（c）所示。为了消除灰度图中部分较小亮点的影响，先对其进行一次开运算，处理结果如图1（d）所示，开运算后的图片保留了原图大部分灰度信息，且模糊了原图像边缘和细节信息。

之后再将开运算前后的两幅灰度图进行差影运算，如图1（e）所示，差影后的灰度图利用了这两幅图像在空间位置上的关联性及边缘处灰度特征的显著差异性，使得原图像中的边缘线条信息能够初步直观地凸显出来，这有利于后续边缘检测算子对车牌区域的精确检测。

2.3 Canny算子边缘检测

利用Otsu阈值选择法对前面差影处理后的灰度图片进行二值化处理，得到的阈值分割大小为28.0，如图1（f）所示。常用于边缘检测的算子有Roberts算子、Sobel算子、Laplace算子、Canny算子等，其中Canny算子的抗噪声干扰性能良好，因此本文采用Canny算子对该二值化图像进行边缘检测，该检测算法是通过梯度算子检测图像边缘灰度变化来实现的，认为边缘就是灰度梯度下降最快方向。Canny算子使用如公式（2）所示的卷积模板来计算图像函数f(x, y)在点(i, j)处的偏导数，即：

则可计算其在x方向、y方向的一阶偏导、梯度幅值以及梯度方向的数学表达式分别为式（4）、（5）、（6）、（7）所示：

在Canny算子中为了减少虚假边缘的出现还采用了双阈值法来检测和连接边缘。其中设置的较大阈值用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美，边缘检测出来是断断续续的，这时用设置的较小阈值可将这些间断的边缘连接起来。在本文使用的Canny算子中设置的较大阈值为200，较小阈值为100，处理结果如图1（g）所示。

2.4 使用开运算和闭运算填充边缘线条所围成的封闭区域

运用开运算可以去除图像中较小的亮点，断开狭窄的间断像素点，使对象的轮廓变得光滑，同时会保留原图像所有的灰度和较大的亮区特征不变。运用闭运算可去除图像中较小的暗点，弥合狭窄的间断像素点，填补轮廓线中的断裂，同时保留较大亮区特征。由先开后闭运算组成的形态学滤波器可去除或消减图像中存在的亮斑和暗斑，使对象边缘轮廓变得光滑完整，且边缘轮廓线型会加粗，对边缘内的区域会有明显的填充效果。对前面边缘检测处理后的图像经过先开后闭运算处理后的效果如图1（h）所示。

3 车牌定位

3.1 车牌区域粗略定位

接下来，运用OpenCV中的findContours()函数来查找区域填充处理后的图像中所有可能是车牌的矩形区域，得到的疑似车牌区域可能有很多，而真实车牌很可能是其中之一。

为了排除其中不是车牌的其他矩形区域，首先从这些矩形区域中初步筛选出最小外接矩形的长宽比符合车牌条件的矩形区域，考虑到我国常见机动车车牌中蓝色和黄色车牌长宽比为3.14，绿色的新能源车牌长宽比为3.42，同时由于拍摄角度倾斜或处理误差等因素的影响要求疑似车牌的矩形区域长宽比应在2～5.5之间，并将不满足该条件的其它矩形区域排除。将初步筛选后的矩形边缘运用OpenCV的drawContours()函数在区域填充处理后的图像和原图中分别定位框选结果如图2（a）、图2（b）所示。

3.2 车牌区域精细筛选

为了对前面疑似车牌的矩形区域进行精细筛选，结合车牌底色一般为黄绿蓝等色调的特征，淘汰其中不满足条件的非车牌区域。为了保证颜色筛选的准确性，考虑到由于取景拍摄的角度问题被遴选的疑似车牌矩形区域可能是倾斜的矩形，因此需要事先对比该矩形区域左右两顶点纵坐标是否相同来判断是否存在倾斜，并运用仿射变换对存在倾斜的矩形区域进行角度修正补偿处理[14,15]。

接着，将处理后的疑似车牌区域由RGB图像转换为HSV图像，以便定位颜色。HSV是由色调、饱和度和亮度三个分量来表示颜色，HSV比RGB更符合人的视觉特性。之后对疑似车牌矩形区域中的每一个像素点进行遍历，判断每个像素点的颜色属性，黄、绿、蓝、黑、白等五种车牌中主要颜色对应的HSV阈值上下限取值如表1所示，同时统计每个矩形区域中各颜色像素点的数量，最后计算对比出其中占比重最大的一种颜色，认定该颜色为疑似车牌的底牌颜色，若该颜色不属于黄绿蓝中任意一种，则可认为该矩形区域不是车牌。

表1 HSV模型下车牌颜色判断阈值标准设定

图2 疑似车牌区域车牌定位与框选

经颜色筛选后的车牌区域进行二次定位框选结果如图2（c）所示。

4 字符分割

利用Otsu阈值选择法对前面颜色筛选后的车牌图像进行二值化处理，得到的阈值分割大小为179.0，如图4（a）所示，该图像宽高为158像素×52像素。为了消除车牌上下边缘对字符灰度的影响，首先统计得到该图像在垂直方向上的灰度均值直方图，并将该图中最大的波峰锁定为字符高度范围，其区间范围为(8, 46)，如图3（a）虚线所示。同样统计得到该图像在水平方向上的灰度均值直方图，并依据灰度大小起伏变化的波谷位置锁定每个字符所在的水平空间位置，其区间范围分别为(0, 3)、(5, 22)、(26, 44)、(49, 52)、(57, 73)、(83, 89)、(98, 115)、(125, 130)、(140, 156)，得到的字符分割区间如图3（b）所示，图中虚线即为锁定的字符分割波谷位置。

接下来按照前面确定的车牌字符高度范围对其二值化图像进行剪裁，并在水平方向上按其字符水平分割区间范围依次对其进行字符分割，结果如图4（b）所示。最后还需通过首尾两个字符图片的高宽比来判断这两个字符是否为车牌虚“1”的假边缘，当该比值小于4或大于10时即可认为该字符图片为太粗或太细的边缘而舍弃，并去除位于车牌中间第三位的铆钉字符，最终得到处理后的车牌字符分割结果如图4（c）所示。

图4 车牌字符分割结果图片

5 结论

本文提出的车牌检测与字符分割提取方法能够对处在较复杂环境下的车辆车牌进行快速精准定位检测，最终实现对车牌字符的准确分割，为后续开展车牌字符的识别创造了良好的数据集特征条件。

[1] 洪传豪，丁兵兵，靳伟. 基于OpenCv的车牌识别研究[J]. 福建电脑，2018，34(12): 5-8.

[2] 郝超杰，贾振堂，张昭. 一种复杂场景下基于热图的车牌检测方法[J]. 计算机工程，2022(7): 315-320.

[3] 莫少雄，赵波. 复杂环境下的车牌识别[J]. 智能计算机与应用，2021，11(5): 124-128.

[4] 舒志旭. 基于注意力机制的车牌快速检测方法研究[J]. 光电子·激光，2021，32(12): 1313-1322.

[5] ANTHONY J J, KATE B A, ELMER D, et al. Recognition of hybrid graphic-text license plates[J]. Journal of Advanced Computational Intelligence and Intelligent Informatics, 2021, 25(4): 416-422.

[6] 吴安辉，何家峰，何启莉. 复杂场景下的车牌检测与识别算法研究[J]. 现代信息科技，2021，5(1): 81-87.

[7] 魏超. 自然场景下高效车牌检测算法研究[D]. 南昌: 华东交通大学，2020.

[8] ZHAI W F, GAO T, FENG J. Research on pre-processing methods for license plate recognition[J]. International Journal of Computer Vision and Image Processing, 2021, 11(1): 42-78.

[9] SUN Y C, PENG Q, ZHANG D Y. Light-YOLOv3: License plate detection in multi-vehicle scenario: Regular section[J]. Transactions on Information and Systems, 2021, 104(5): 42-50.

[10] 梁天泓. 基于边缘检测和形态学的车牌检测算法[J]. 电脑知识与技术，2020，16(28): 205-207.

[11] 周雪梅，潘多. 一种基于形态学结构元素优化的车牌快速检测算法[J]. 西南师范大学学报(自然科学版)，2020，45(7): 130-136.

[12] SWETA S. Automatic car license plate detection system[J]. Materials Science and Engineering, 2021, 11(1): 10-15.

[13] SONG X C. Character segmentation and restoration of Qin-Han bamboo slips using local auto-focus thresholding method[J]. Multimedia Tools and Applications, 2022, 10(32): 50-63.

[14] 张玉祖，罗素云. 倾斜车牌识别方法的研究[J]. 计算机与数字工程，2021，49(12): 2643-2653.

[15] 周文婷. 大角度倾斜的车牌识别算法研究[D]. 北京: 北方工业大学，2019.

Research on License Plate Location Detection and Character Segmentation Extraction Methods

In order to realize the intelligent recognition of license plate characters, it is first necessary to preprocess and extract features of the collected license plate images, so as to obtain reliable license plate character set images. The license plate detection and character segmentation and extraction methods proposed in this paper mainly include image denoising, grayscale processing, morphological processing, edge detection and connection, license plate localization and the gray histogram character segmentation and other processing steps. Finally, the fast location and detection of the license plate and the accurate segmentation and extraction of the license plate characters are realized, which lays a good prerequisite for the subsequent recognition of license plate characters.

license plate location detection; edge detection and connection; character segmentation; feature extraction

TP391.41

A

1008-1151(2022)11-0009-04

2022-06-27

湖北商贸学院2021 年度校级科学研究重点项目（KY202103）。

王创（1996－），男，湖北商贸学院助教，研究方向为图像处理、数据处理。